Permodelan Kurva Karakteristik Inverse Non-Standart Pada Rele Arus Lebih Dengan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

(1)

TUGAS AKHIR - TE 141599

PERMODELAN KURVA KARAKTERISTIK INVERSE

NON-STANDART PADA RELE ARUS LEBIH DENGAN METODE

ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)

Erhankana Ardiana P. NRP 2214105085 Dosen Pembimbing

Dr. Ir. Margo Pujiantara, M.T.

Dr. Eng. Ardyono Priyadi, S.T., M. Eng. JURUSAN TEKNIK ELEKTRO

Fakultas Teknologi Industri

Institut Teknologi Sepuluh Nopember Surabaya 2016

(2)

FINAL PROJECT - TE 141599

Non-standard Inverse Characteristic Curve Modeling of

Overcurrent Relay with Adaptive Neuro Fuzzy Inference

System

Erhankana Ardiana P. NRP 2214105085 Advisor

Dr. Ir. Margo Pujiantara, M.T.

Dr. Eng. Ardyono Priyadi, S.T., M. Eng. ELECTRICAL ENGINEERING DEPARTMENT Faculty Of Industrial Technology

Sepuluh Nopember Institute Of Technology Surabaya 2016

(3)

(4)

(5)

(6)

i

PERMODELAN KURVA KARAKTERISTIK INVERSE NON-STANDART PADA RELE ARUS LEBIH DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)

Erhankana Ardiana Putra NRP 2214105085 Dosen Pembimbing

Dr. Ir. Margo Pujiantara, MT. Dr. Ardyono Priyadi, ST.,M.Eng

ABSTRAK

Pada sistem kelistrikan terutama pada sistem proteksi kelistrikan dewasa ini sangat dibutuhkan sistem yang handal, sehingga perkembangan pada sistem proteksi sudah semakin maju dengan adanya penggunaan rele digital. Rele digital digunakan dengan mempertimbangkan kecepatan, keakuratan dan serta flexible dalam sistem koordinasi. Flexibilitas ini dimaksudkan bahwa rele digital dapat digunakan menjadi rele arus lebih (overcurrent relay) sesuai pembahasan tugas akhir ini dan dapat disetting menurut keinginan user sesuai karakteristik kurva OCR konvensional/standart (normal inverse, very inverse, long time inverse, extreme inverse) yang akan digunakan dalam koordinasi. Jenis kurva pada rele digital juga dapat disetting diluar rumus kurva konvensional/standart yang seperti sudah disebutkan sebelumnya, kurva diluar rumusan standart disebut kurva rele standart. Kurva rele non-standart digunakan untuk memudahkan pengguna untuk menentukan waktu trip berdasarkan arus yang diinginkan dan sebagai solusi jika pada koordinasi proteksi mengalami kendala dalam koordinasi kurva rele. Pada tugas akhir ini akan dibahas bagaimana membuat atau memodelkan kurva karakteristik inverse overcurrent rele non-standart dengan menggunakan metode (Adaptive Neuro Fuzzy Inference System) atau biasa disebut metode pembelajaran ANFIS. Kurva non-standart didapatkan dengan pengambilan titik-titik data baru berupa arus dan waktu trip sesuai keinginan user. Data baru tersebut akan digabungkan dengan data lama sehingga menghasilkan data non-standart yang nantinya akan dilakukan pembelajaran dengan metode ANFIS untuk mendapatkan desain kurva non-standart. Setelah didapatkan desain kurva non-standart akan dilakukan pengujian keakuratan dengan

(7)

ii

mengganti nilai MF (membership function) didapatkan hasil rata-rata error terkecil 2,56% (MF=10 dan epoch=100). Pengujian selanjutnya dengan mengubah nilai epoch didapatkan nilai keakuratan dengan error terkecil pada epoch = 500 (MF=4). Simulasi pada software Etap 12.6 untuk memastikan bahwa kurva non-standart sudah sesuai dengan koordinasi proteksi yang diinginkan dan dapat diaplikaikan pada software Etap 12.6 dengan nilai error rata-rata 0,7%.

Key word : ANFIS, rele digital, overcurrent rele, non-standart, inverse overcurrent rele

(8)

iii

NON-STANDARD INVERSE CHARACTERISTIC CURVE MODELING OF OVERCURRENT RELAY WITH ADAPTIVE NEURO FUZZY INFERENCE SYSTEM

Erhankana Ardiana Putra NRP 2214105085 Counsellor Lecturer Dr. Ir. Margo Pujiantara, MT. Dr. Ardyono Priyadi, ST.,M.Eng

ABSTRACT

In electrical especially at protection system electrical nowadays very needed reliable system, so that development for protection system getting ahead with their use of digital relays. Digital relay used consider about fast respon, accuracy and flexibility at coordination system protection. Flexibility means that digital relay can be use to be overcurrent relay due to this study of final project and can be set obey by user consider by curve characteristic conventional/standart OCR (normal inverse, very inverse, long time inverse, extreme inverse) that will be use to coordination. Type of curve digital relay can be set outside of the curve conventional/standart formula that already mentioned before, curve that outside from standart formula called non-standart curve relay. Non-standart curve relay be used for easier user for decide time trip according by current and non-standart curve can be an solution if coordination protection have problem at coordination curve. This final project will discuss about how to make or modeling characteristic curve inverse overcurrent relay non-standart use ANFIS method. Non-standart curve can be get by taking new node that form like current and time trip data. That new data will be combine with old data so that produce a new data and can be called non-standart data. ANFIS will learning Non-standart data and try to get deign Non-standart curve. After getting non-standart curve that will do some accurate test like change number of membership function (MF) and get result smallest mean error 2,56% (MF=10 and epoch = 100). Next testing is change number of epoch (iteration) and the result smallest error at epoch = 500 (MF=4). Simulation at Etap 12.6 for make sure if that non-standart curve can be suitable with coordination protection or can be aplicated at Etap 12.6 and the result mean error between result at Etap and learning ANFIS 0,7% .

(9)

iv

Key word : ANFIS, digital relay, overcurrent relay, non-standart, inverse overcurrent relay

(10)

ix

DAFTAR ISI

JUDUL ... i

LEMBAR PENGESAHAN ... iii

ABSTRAK ... vii

ABSTRACT ... ix

KATA PENGANTAR ... xi

DAFTAR ISI ... xiii

DAFTAR GAMBAR ... xv

DAFTAR TABEL ... xvii

BAB I. PENDAHULUAN 1.1 Latar Belakang ... 1

1.2 Perumusan Masalah ... 2

1.3 Batasan Masalah ... 2

1.4 Tujuan dan Masalah ... 2

1.5 Metodologi ... 2

1.6 Sistematika Penulisan ... 5

1.7 Relevansi ... 5

BAB II. TINJAUAN PUSTAKA 2.1 Gangguan pada Sistem Tenaga Listrik ... 7

2.2 Jenis-jenis Gangguan ... 7

2.2.1 Gangguan Beban Lebih (overload) ... 8

2.2.2 Gangguan Hubung Singkat ... 8

2.2.3 Kontribusi Arus Hubung Singkat ... 9

2.2.4 Perhitungan Arus Hubung Singkat ... 9

2.3 Sifat-sifat Gangguan ... 11

2.4 Trafo Arus (Current Transformer) ... 11

2.5 Rele pengaman pada sistem tenaga listrik ... 11

2.6 Rele Arus Lebih ... 13

2.6.1 Rele arus lebih waktu inverse ... 13

2.7 Rele karakteristik Tripping Non-Standart ... 14

2.8 Adaptive neuro fuzzy inference system (ANFIS) ... 15

2.8.1 Gambaran umum ANFIS ... 15

2.8.2 Arsitektur ANFIS ... 16

(11)

x

BAB III. PERANCANGAN SOFTWARE DAN HARDWARE

3.1 Perancangan software ... 21

3.1.1 Pengambilan data rele pada Etap 12.6 ... 21

3.1.2 Perancangan interface GUI Matlab 2013 ... 29

3.2 Perancangan hardware dan Integrasi ... 31

3.2.1 Perancangan Hardware ... 31

BAB IV. HASIL SIMULASI DAN ANALISIS 4.1 Pengambilan data rele... 34

4.2 Pembuatan Interface GUI Matlab ... 37

4.3 Pengujian data kurva normal inverse ... 38

4.3.1 Pengujian keakuratan dengan mengganti jumlah MF 42 4.4 Pengambilan data non-standart ... 47

4.5 Pengujian data kurva non-standart ... 50

4.5.1 Pembuatan data non-standart ... 50

4.5.2 Pengujian learning ANFIS data non-standart ... 53

4.5.3 Pengujian keakuratan dengan mengganti jumlah MF 56 4.5.4 Pengujian keakuratan dengan mengganti jumlah Epoch ... 62

4.6 Pengaplikasian kurva pada software Etap 12.6 ... 66

4.6.1 Perbandingan hasil dari data non-standart dan hasil Etap12.6 ... 71

4.7 Pengujian pada Hardware ... 73

BAB V. PENUTUP 5.1 Kesimpulan ... 79 5.2 Saran ... 79 DAFTAR PUSTAKA ... 81 LAMPIRAN ... 83 BIODATA PENULIS ... 119

(12)

xiii

DAFTAR TABEL

Tabel 3.1 Data rele PT.HESS Indonesia ... 21

Tabel 3.2 Kondisi normal setting rele R-VCB 9 ... 25

Tabel 3.3 Kondisi normal setting rele R-ACB 2 ... 25

Tabel 3.4 Setting rele R-VCB-9 saat kondisi berhimpitan ... 26

Tabel 4.1 Data kurva normal inverse (standart IEC) ... 36

Tabel 4.2 Data dengan nilai jarak antara arus sebesar 50 A ... 39

Tabel 4.3 Hasil error pegujian data test normal inverse ... 42

Tabel 4.4 Hasil error perbandingan trip ANFIS dan trip target dengan MF = 3 ... 43

Tabel 4.5 Hasil error perbandingan trip ANFIS dan trip target dengan MF = 5... 45

Tabel 4.7 Tabel data baru dalam bentuk excel ... 50

Tabel 4.8 Data Kurva Normal Inverse ... 51

Tabel 4.9 Data Baru sebanyak 10 data ... 51

Tabel 4.10 Data non-standart ... 52

Tabel 4.11 Hasil error trip ANFIS berbanding trip data non-standart 55 Tabel 4.12 Hasil error perbandingan trip ANFIS dan trip target dengan MF = 3... 58

Tabel 4.13 Hasil error perbandingan trip ANFIS dan trip target dengan MF = 5... 59

Tabel 4.15 Data percobaan non-standart ... 62

Tabel 4.16 Data non-standart ... 67

Tabel 4.17 Error perbandingan hasil Etap dan data non-standart... 72

Tabel 4.18 Data non-standart untuk pengujian hardware ... 73

Tabel 4.19 Data non-standart dalam bentuk IL / Is ... 74

(13)

(14)

xiv

(15)

xi

DAFTAR GAMBAR

Gambar 1.1 Metodologi Tugas Akhir ... 4

Gambar 2.1 Alur kerja rele saat ada gangguan ... 12

Gambar 2.2 Karakteritik kurva inverse pada standart IEC ... 14

Gambar 2.3 Kurva rele standart dan kurva rele yang diinginkan ... 15

Gambar 2.4 Aturan arsitektur ANFIS ... 16

Gambar 2.5 ANFIS dengan model sugeno ... 17

Gambar 2.6 Arsitektur jaringan ANFIS ... 17

Gambar 3.1 Single line diagram PT.HESS Indonesia ... 23

Gambar 3.2 Kurva rele R-VCB 9 saat kondisi normal ... 24

Gambar 3.3 Setting ulang rele R-VCB 9 ... 26

Gambar 3.4 Kurva rele R-VCB 9 kondisi berhimpitan ... 27

Gambar 3.5 Kurva rele dengan titik data baru ... 28

Gambar 3.6 Interface GUI Matlab 2013 ... 29

Gambar 3.7 Flowchart permodelan kurva non-standart ... 30

Gambar 3.8 Mikrokontroller ARM ... 31

Gambar 3.9 LCD 128x64 ... 32

Gambar 4.1 Single line diagram dan koordinasi rele ... 34

Gambar 4.2 Setting rele R-VCB 9 di Etap 12.6 ... 35

Gambar 4.3 Workspace GUI Matlab 2013 ... 37

Gambar 4.4 Tampilan interface GUI ... 38

Gambar 4.5 Interface GUI percobaan data jarak antar arus 50 A .... 40

Gambar 4.6 Plot kurva hasil training ... 40

Gambar 4.7 Pengujian data test sesuai data training ... 41

Gambar 4.8 Pengujian data test diluar data training ... 41

Gambar 4.9 Hasil percobaan MF 3 pada interface GUI ... 42

Gambar 4.10 Hasil plot kurva ANFIS MF=3 ... 43

Gambar 4.11 Hail plot kurva learning ANFIS MF=5 ... 44

Gambar 4.12 Hasil plot kurva learning ANFIS MF = 10 ... 46

Gambar 4.13 Tampilan GUI dengan plot kurva ... 48

Gambar 4.14 Tombol ”get data” pada interface GUI ... 48

Gambar 4.15 Pengambilan titik-titik data baru ... 49

Gambar 4.16 Tombol save data baru di interface GUI ... 49

Gambar 4.17 Pengujian data non-standart pada interface GUI ... 53

Gambar 4.18 Tampilan kurva non-standart pada kolom plot interface GUI ... 54

Gambar 4.19 Pengujian hasil trip dengan arus 130,9157 A ... 55

Gambar 4.20 Hasil percobaan MF 3 pada interface GUI ... 57

(16)

xii

Gambar 4.24 Hasil plot kurva learning ANFIS Epoch = 100 ... 63

Gambar 4.25 Hasil data test arus = 693,3 A, Epoch 100 ... 63

Gambar 4.26 Pembuktian plot dengan data test arus = 693,3 A Epoch 100 ... 64

Gambar 4.31 Propertise ”USER CURVE” dan data tabel memasukkan data ... 68

Gambar 4.32 Hasil plot data non-standart pada Etap 12.6 ... 69

Gambar 4.33 Plot kurva saat kondisi beringgungan ... 70

Gambar 4.34 Hasil waktu trip data non-standart pada Etap 12.6 ... 71

Gambar 4.35 Interface pada visual basic ... 74

Gambar 4.36 Parameter premis dan konsekuen ... 75

(17)

1

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Kehandalan suatu sistem kelistrikan merupakan suatu hal yang menjadi prioritas utama. Terutama pada sistem distribusi yang menjadi pemasok aliran daya menuju beban. Pentingnya menjaga kehandalan sistem distribusi guna mempertahankan kontinyuitas tenaga listrik menuju beban.

Salah satu cara dalam mempertahankan kehandalan ialah koordinasi sistem proteksi yang baik pada sistem kelistrikan tersebut. Banyaknya jenis rele yang digunakan pada sistem tentunya harus di-koordinasikan secara tepat agar mampu menanggulangi setiap gangguan yang terjadi tanpa kesalahan sedikit-pun. Pada metode koordinasi rele sebelumnya telah memberikan hasil yang baik, namun tentunya diperlukan metode lain yang mampu memberikan hasil yang optimal. Salah satunya metode karakteristik kurva tripping non-standar, dimana kurva rele non-standart ini dapat bermanfaat saat terjadi kurva yang berhimpitan atau saling cross sehingga menimbulkan trip pada CB (Cicuit Breaker) yang bersamaan pada beberapa arus tertentu. Sehingga dibutuhkan permodelan kurva non-standart dengan maksud membuat kurva baru dengan mengambil data baru pada plot kurva sehingga terbentuk kurva baru yang sudah tidak berhimpitan satu sama lain, kurva non-standart juga mampu mempercepat waktu tripping maksimum dan rata rata yang efektif sesuai dengan kurva karakteristik masing-masing rele.

Dewasa ini sistem digital dapat diaplikasikan sebagai rele proteksi yang dimana rele berbasiskan sistem digital mempunyai beberapa keunggulan. Keunggulan rele proteksi digital ini adalah respon yang cepat terhadap gangguan, keakuratan dalam perhitungan, fleksibel serta dapat berkoordinasi dengan baik[1]_{. Digital rele proteksi ini dapat}

dirancang dengan sistem berbasis mikrokontroller dengan dikombinasikan dengan kemampuan belajar ANFIS. Dengan menggunakan kemampuan belajar ANFIS dapat dihasilkan sebuah rele proteksi digital dengan tingkat keakuratan yang tinggi. Dalam tugas akhir ini akan dilakukan studi mengenai cara memodelkan kurva non-standart menggunakan metode ANFIS. Mendesain kurva non-non-standart pada tugas akhir ini menerapkan kemampuan belajar Adaptive Neuro Fuzzy Interference System (ANFIS). Laptop atau Personal Computer (PC) digunakan sebagai sarana untuk membuat interface pemodelan kurva non-standart serta untuk simulasi hasil dari permodelan kurva menggunakan metode ANFIS yang dimana didalan proses permodelan

(18)

2

metode ANFIS dilakukan inisialisasi beserta learning hingga didapat hasil learning dan parameter hasil learning.

1.2 Perumusan Masalah

Perumusan masalah yang akan dibahas pada tugas akhir ini adalah : 1. Bagaimana cara mendapatkan data baru untuk membentuk kurva

non-standart.

2. Memodelkan kurva non-standart melalui laptop atau PC. 3. Melakukan learning pada data kurva non-standart.

4. Menguji keakuratan learning ANFIS dengan beberapa arus yang inginkan.

5. Pengaplikasian kurva non-standart pada software Etap 12.6. 6. Pengaplikasian kurav non-standart pada hardware Digital Relay

Protection (DPR).

1.3 Batasan Masalah

Dalam pengerjaan tugas akhir ini, permasalahan dibatasi sebagai berikut :

1. Gangguan yang terjadi hanya gangguan hubung singkat. 2. Jenis peralatan pengaman yang digunakan adalah rele arus

lebih (Over Current Relay).

3. Kurva rele yang akan dimodelkan berfokus pada bentuk inversenya.

4. Software yang digunakan untuk membuat interface adalah MATLAB 2013.

5. Pengujian dilakukan pada interface GUI MATLAB 2013 6. Pengujian hasil hanya melihat dari waktu trip permodelan

kurva dengan beberapa arus yang diingikan user.

1.4 Tujuan Tugas Akhir

Tugas akhir ini bertujuan untuk memodelkan kurva non-standart dengan metode ANFIS dan mendapatkan nilai tripping yang akurat pada rele, sehingga mampu meningkatkan selektifitas rele saat terjadi gangguan dan mengatasi masalah saat adanya plot rele yang saling berhimpitan. Serta mempercepat waktu tripping dan meningkatkan keandalan sebuah pengaman peralatan.

1.5 Metodologi

Metodologi penelitian yang dilakukan dalam tugas akhir ini adalah sebagai berikut :

(19)

3 1. Studi literature

Studi literature dilakukan untuk memperoleh teori pendukung yang berasal dari paper, jurnal dan text book. Dalam literature tersebut dipelajari teori – teori tentang rele pengaman digital dan devinisi kurva non-standart. Selain itu akan mempelajari metode ANFIS dan cara membuat interface permodelan kurva non-standart.

2. Pemodelan dan Perancangan sistem

Penulis melakukan pembuatan program desain kurva dengan menggunakan software MATLAB 2013 dan perancangan interface permodelan kurva menggunakan GUI MATLAB 2013. Pada bagian ini penulis juga akan melakukan percobaan pengambilan beberapa data baru yang berupa waktu trip rele melalui interface GUI Matlab 2103. Dari data baru tersebut akan digabungkan dengan data kurva conventional/standart yang sudah ada dimana beberapa data akan digantikan dengan data baru yang didapatkan, dan dilakukan pengujian.

3. Pengujian kurva non-standart

Penulis akan menguji hasil dari waktu trip data kurva yang baru atau non-standart dan membandingkannya dengan hasil trip rele learning ANFIS. Dari hasil trip akan didapatkan error antara trip kurva non-standart dan learning ANFIS.

4. Analisa Data

Pada tahap ini dilakukan analisa dari hasil pengujian hasil trip dan akan didapatkan error antara trip kurva non-standart dan learning ANFIS. Apakah hasil dari trip kurva non-standart dan learning ANFIS sesuai dengan acuan nilai rata-rata error yang kecil antara hasil trip kurva dan learning ANFIS. Dalam tahap ini juga dialkukan uji keakuratan dengan mengganti nilai MF (memberhip function) dan nilai epoch (iterasi).

5. Kesimpulan

Dari hasil pengujian dengan jumlah data yang berbeda-beda dilakukan analisa dan penarikan kesimpulan, saran atau rekomendasi tentang penelitian yang telah dilakukan.

(20)

4

Skema flowchart pengerjaan tugas akhir, sebagai berikut :

START

Membuat data kurva non-standart

Pembuatan interface dengan Matlab 2103 dan Pengambilan data baru

Error kecil

Pengujian data non-standart dan learning ANFIS

STOP

NO

YES

(21)

5

1.6 Sistematika Penulisan

Laporan Tugas Akhir ini disusun dalam suatu sistematika sebagai berikut :

BAB I : PENDAHULUAN

Bab ini terdiri dari latar belakang, perumusan masalah, tujuan, metodologi pengerjaan tugas akhir, sistematika pembahasan dan relevansi dari penulis.

BAB II : PROTEKSI DAN METODE ANFIS

Pada bab ini menjelaskan teori-teori penunjang yang digunakan dalam pengerjaan tugas akhir ini.

BAB III : PERANCANGAN SOFTWARE.

Dalam bab ini menjelaskan perancangan konfigurasi sistem. Perancangan software yang dibuat mengimplemantasikan rumusan baru kurva non-standart pada metoda ANFIS.

BAB IV : HASIL PENGUJIAN DAN ANALISIS

Dalam bab ini dibahas mengenai hasil pengujian data kurva non-standart. Pengujian ini dilakukan dengan merubah variable yang berkaitan dengan keakuratan data. Selain menguji data pada bagian ini dilakukan pengujian kurva rele non-standart pada software Etap 12.6. Saat pengujian dilakukan perhitungan rata-rata error hasil trip kurva non-standart dan learning ANFIS. Dilakukan juga analisa pengujian pada hardware.

BAB V : PENUTUP

Bab ini berisi kesimpulan dan saran dari hasil pengujian data, studi literatur dan analisis yang telah dilakukan.

1.7 Relevansi

Dari hasil pengerjaan tugas akhir ini diharapkan dapat memberikan kontribusi terhadap perkembangan sistem kelistrikan terutama pada sistem proteksi.

(22)

6

(23)

7 BAB II

HUBUNG SINGKAT, RELE ARUS LEBIH & ANFIS

2.1

Gangguan pada Sistem Tenaga Listrik

Gangguan yang terjadi pada sistem tenaga listrik sangat beragam besaran dan jenisnya. Gangguan dalam sistem tenaga listrik adalah keadaan tidak normal dimana keadaan ini dapat mengakibatkan terganggunya kontinuitas pelayanan tenaga listrik. Secara umum klasifikasi gangguan pada system tenaga listrik disebabkan 2 faktor, yaitu [1]_:

1. Gangguan berasal dari system 2. Gangguan berasal dari luar system

1. Penyebab gangguan yang berasal dari dalam system antara lain:

 Tegangan dan arus abnormal.

 Pemasangan yang kurang baik.

 Kesalahan mekanis karena proses penuaan.

 Beban lebih.

 Kerusakan material seperti isolator pecah, kawat putus, atau kabel cacat isolasinya.

2. Sedangkan untuk gangguan yang berasal dari luar system antara lain:

 Gangguan – gangguan mekanis karena pekerjaan galian saluran lain. Gangguan ini terjadi untuk system kelistrikan bawah tanah.

 Pengaruh cuaca seperti hujan, angin, surja petir. Pada gangguan surja petir. Pada gangguan surja petir dapat mengakibatkan gangguan tegangan lebih dan dapat menyebabkan gangguan hubung singkat karena tembus isolasi peralatan(breakdown).

 Pengaruh lingkungan sperti pohon, binatang dan benda-benda asing serta akibat kecerobohan manusia

2.2

Jenis – Jenis Gangguan

Adanya gangguan pada sistem tenaga listrik menyebabkan terjadinya kenaikan arus yang sangat besar menuju ke titik gangguan, sehingga arus yang melewati peralatan juga akan sangat besar. Bila hal

(24)

8

ini dibiarkan maka arus yang melewati peralatan dapat merusak peralatan karena diluar kapasitas yang diijinkan. Pada umumnya gangguan yang terjadi pada sistem adalah gangguan beban lebih (overload) dan gangguan hubung singkat (Short Circuit).

2.2.1 Gangguan Beban Lebih (Overload)

Gangguan ini merupakan gangguan yang timbul akibat adanya beban yang berlebih sehingga mengakibatkan arus yang menuju kebeban melebihi arus nominal (I>In). Arus yang mengalir melebihi kapasitas ini jika tidak segara diatasi, maka dapat merusak peralatan listrik tersebut.

2.2.2 Gangguan Hubung Singkat

Hubung singkat adalah terjadinya hubungan penghantar bertegangan atau penghantar tidak bertegangan yang memiliki beda potensial secara langsung, sehingga terjadi aliran arus yang tidak normal atau sangat besar. Gangguan hubung singkat ini dapat dibedakan menjadi 2 kategori, yaitu:

1. Gangguan hubung singkat simetri a. Hubung singkat 3 fasa (L-L-L)

Gambar rangkaian :

b. Hubung singkat 3 fasa ke tanah (L-L-L-G) Gambar rangkaian :

2. Gangguan hubung singkat asimetri a. Hubung singkat 2 fasa (L-L)

Gambar rangkaian :

b. Hubung singkat 2 fasa ke tanah (2L-G) Gambar rangkaian :

R

T

S

R

T

S

R

T

S

R / S

S / T

(25)

9

c. Hubung singkat 1 fasa ke tanah (1L-G) Gambar rangkaian :

2.2.3 Kontribusi Arus Hubung Singkat

Nilai arus hubung singkat berasal dari besar sumber pembangkitkan sistem, yang mana merupakan nilai dari reaktansi sumber, peralatan, serta sistem keseluruhan hingga ke titik gangguan. Sumber arus hubung singkat berasal dari sistem utility, generator, motor sinkron dan motor induksi.

Terdapat 3 kondisi peralihan ketika terjadi hubung singkat (short circuit):

1. Kondisi pertama dimana short circuit terjadi pada kondisi

cycle. Kondisi ini disebut periode subtransient, yang mana semua mesin termasuk switching komponen yang menyumbang arus diwakili oleh reaktansi subtransient (X”d).

2. Kondisi kedua dimana short circuit terjadi pada kondisi

cycle. Kondisi ini disebut periode transient, yang hanya generator singkron dan motor singkron yang menyumbang arus diwakili oleh reaktansi transient (X’d).

3. Kondisi ketiga dimana short circuit terjadi pada kondisi 30 cycle. Kondisi ini disebut periode steady state, yang mana hanya generator singkron yang menyumbang arus di wakili oleh reaktansi sinkron (Xd). Mesin induksi, motor sinkron, kondensor tidak di pertimbangkan dalam short circuit 30 cycle

2.2.4 Perhitungan Arus Hubung Singkat

Gangguan yang termasuk dalam hubung singkat simetri adalah gangguan hubung singkat tiga fasa, sedangkan gangguan selain hubung singkat tiga fasa termasuk gangguan hubung singkat asimetri [2]_.

Perhitungan untuk menentukan besar arus hubung singkat dalam sistem tenaga listriuk didapatkan dengan cara :

R / S S / T

(26)

10

a. Hubung singkat 3 Fasa

Hubung singkat yang terjadi karena adanya melibatkan ketiga fasa. Arus hubung singkat tiga fasa (Isc3Ø) diberikan oleh

persamaan berikut :

Isc3Ø = (2.1) Keterangan :

VLN : tegangan nominal line to netral

X1 : merupakan reaktansi urutan positif

b. Hubung singkat 2 Fasa

Hubung singkat yang terjadi antara dua fasa tanpa terhubung ke tanah. Arus hubung singkat antar fasa (Isc2Ø) diberikan oleh

persamaan berikut :

Isc2Ø = = Isc3 = 0.866 Isc3Ø (2.2) Keterangan :

VLL : tegangan nominal line to line

X1 : reaktansi urutan positif

X2 : reaktansi urutan negative

c. Hubung singkat 1 fasa ke tanah

Hubung singkat ini melibatkan impedansi urutan nol (Z0), dan

besarnya arus hubung singkat ini tergantung sistem pentanahan yang digunakan. Arus hubung singkat 1 fasa (Isc1Ø) diberikan oleh

persamaan berikut :

Isc1Ø = (2.3) Jika sistem menggunakan pentanahan solid maka Zg = 0,

sehingga persamaan menjadi :

Isc1Ø = (2.4) Keterangan :

X0 : reaktansi urutan nol (0)

(27)

11

2.3 Sifat-Sifat Gangguan

Bila dilihat dari lamanya waktu terjadi gangguan, maka dapat dikelompokkan menjadi [1]_:

1. Gangguan yang bersifat temporer, yang dapat hilang dengan sendirinya atau dengan memutuskan sesaat bagian yang terganggu dari sumber tegangannya. Gangguan sementara jika tidak dapat hilang dengan segera, baik hilang dengan sendirinya maupun karena bekerjanya alat pengaman dapat berubah menjadi gangguan permanen.

2. Gangguan yang bersifat permanen, dimana untuk membebaskan gangguan diperlukan tindakan perbaikan dan/atau menyingkirkan penyebab gangguan tersebut.

Saat terjadi gangguan akan mengalir arus yang sangat besar pada fasa yang terganggu menuju titik gangguan, dimana arus gangguan tersebut mempunyai nilai arus yang jauh lebih besar dari rating arus maksimum yang diijinkan, sehingga terjadi kenaikan suhu yang dapat mengakibatkan kerusakan pada peralatan listrik.

2.4 Trafo Arus (

Current Transformer

)

CT atau biasa disebut current transformer adalah suatu peralatan kelistrikan biasanya banyak terdapat pada gardu induk dimana CT berfungsi untuk merubah besaran arus listrik yang digunakan untuk pengukuran perbandingan arus. Misalnya ratio perbandingan arus CT 400 : 5 berarti pada sekunder trafo akan mengeluarkan output 5 Ampere saat sisi primernya dilalui aru sebesar 400 Ampere. CT juga paling banyak digunakan jika arus yang mengalir melalui jaringan terlalu besar mengakibatkan ketidaksesuaian dengan rating peralatan pengukuran maupun proteksi, maka dari itu hasil arus input dirubah ke level yang lebih rendah sehingga dapat disesuaikan dengan rating peralatan yang digunakan.

2.5 Rele Pengaman pada Sistem Tenaga Listrik

Rele adalah suatu perlatan sistem tenaga listrik yang dirancang untuk memberikan sinyal kepada pemutus tenaga (CB), sehingga CB dapat memutus bila terjadi gangguan atau menghubungkan kembali penyaluran daya. Pemutusan ini dilakukan untuk memisahkan bagian

(28)

12

sistem tenaga listrik yang terjadi gangguan dengan yang tidak terkena gangguan.

Gambar 2.1 Alur kerja rele saat ada gangguan

Didalam rele terdapat 3 bagian, yaitu sensing elemen, comparison elemen dan control elemen setelah proses itu tercapai lalu dapat mengirimkan sinyal.

Terdapat syarat-syarat yang harus diperhatikan dalam penggunaan rele pengaman pada sistem proteksi, antara lain [3]_:

a. Selektifitas

Selektifitas pada sistem proteksi adalah kemampuan rele proteksi untuk melakukan pemilihan tripping secara tepat sesuai pada area yang terjadi gangguan. Maksudnya saat terjadi gangguan CB yang seharusnya Tripping merupakan CB terdekat dengan gangguan terlebih dahulu sesuai dengan desain sistem proteksi yang dibuat. Dalam kerja rele yang selektifitas ini terdapat 2 kondisi yang mempengaruhi yaitu time grading(waktu kerja rele) dan pembagian daerah pengaman.

b. Sensitifitas

Sensitifitas disini adalah tingkat kepekaan suatu rele untuk dapat mendekteksi terhadap gangguan yang muncul. Suatu rele disebut sensitif apabila parameter operasi utamanya rendah. Artinya, semakin rendah besaran parameter penggerak maka perangkat tersebut dikatakan semakin sensitif. Pada rele-rele numerik, sensitifitas tidak dikaitkan lagi pada perangkat kerasnya tetapi lebih pada aplikasi dan parameter peralatan pengukuran, seperti trafo arus (current transformer) atau trafo tegangan (Voltage tansformer) yang dipakai.

c. Kecepatan

Kecepatan yang dimaksud adalah kecepatan untuk mengisolasi gangguan secepat dan sedini mungkin. Tujuan

(29)

13

utamanya adalah mengamankan kontinuitas pasokan daya dengan cara mengisolasi gangguan.

d. Kehandalan

Rele dapat dikatakan handal dapat dihitung dari jumlah rele yang bekerja saat mengamankan gangguan berbanding dengan jumlah gangguan yang terjadi. Semakin tinggi kehandalan maka sistem tersebut semakin baik dan dapat meminimalkan terjadinya kerusakan akibat gangguan. Terdapat faktor-faktor yang mempengaruhi kehandalan, yaitu dependable, secure, availability.

2.6 Rele Arus Lebih

Pada dasarnya rele arus lebih berfungsi sebagai pengaman saat terjadi gangguan hubung singkat, selain itu dapat juga digunakan sebagai pengaman beban lebih (overload). Rele arus lebih merupakan suatu jenis rele yang bekerja berdasarkan besarnya arus masukan, dan apabila besarnya arus masukan melebihi suatu harga tertentu yang dapat diatur (Ip) maka rele arus lebih bekerja. Dimana Ip merupakan arus kerja

yang dinyatakan menurut gulungan sekunder dari trafo arus (CT). Bila suatu gangguan terjadi didalam daerah perlindungan rele, besarnya arus gangguan If yang juga dinyatakan terhadap gulungan sekunder CT juga.

Rele akan bekerja apabila memenuhi keadaan sebagai berikut [1]_:

If > Ip rele bekerja, CB trip If < Ip rele tidak bekerja 2.6.1Rele Arus lebih Waktu Inverse

Rele arus lebih waktu invers memiliki waktu operasi yang berbanding terbalik dengan besar nya arus gangguan [4]_{. Jadi, semakin}

besar arus gangguan maka rele akan bekerja dalam waktu yang semakin cepat. TCC (time-current characteristic) merupakan kurva dengan skala dalam time dial. Dengan kondisi saat semakin besar setting time dial, maka semakin lama waktu operasi dari rele. Karakteristik invers ini dijelaskan dalam standar IEC 60255-3 dan IEEE std 242-2001. Standar-standar ini mendefinisikan jenis karakteristik kurva yang dibedakan oleh

(30)

14

gradien masing-masing, yaitu normal inverse, very inverse, long time inverse dan extremely inverse. Kurva inverse ini sering dijumpai dengan inverse definite minimum time (IDMT). Kurva IDMT adalah kurva gabungan antara inverse dan definite yang mana seiring dengan arus yang bertambah besar, waktu operasi turun semakin cepat seolah mendekati waktu definite minimumnya.

(2.5)

Gambar 2.2 Karakteristik Kurva Inverse pada Standart IEC

2.7 Rele Karakteristik

Tripping

Non-Standart

Dalam kasus tertentu di sistem tenaga industri, rele proteksi umumnya bekerja dibawah prinsip arus lebih untuk menampilkan respon dinamis yang mirip dengan gangguan pada sistem. Pada sistem industri memiliki keragaman dalam sistem proteksi yang terutama proteksi arus lebih. Kurva waktu rele arus lebih lebih sesuai untuk perlindungan peralatan karena dapat mengijinkan kondisi kelebihan arus sementara. Tetapi saat ini komplektivitas koordinasi proteksi meningkat dengan banyaknya rele yang akan dikoordinasikan, terkadang dengan kondisi banyaknya kurva yang dikoordinasikan salah satu kurva akan berhimpitan dengan kurva yang lainnya, sedangkan untuk koordinasi yang baik semua kurva harus mengikuti grading time yang sudah ditentukan. Kondisi tersebut mengharuskan sistem koordinasi tidak

(31)

15

harus mengikuti rumusan kurva standart yang dimana akan sulit jika koordinasi melibatkan banyak kurva rele. Tanpa mengikuti rumusan kurva standart, cara yang memungkinkan untuk dilakukan dalam pengoordinasian sistem proteksi adalah dengan memodelkan kurva rele yang dapat disebut kurva non-standart. Berikut gambaran dalam permodelan kurva rele non-standart

Gambar 2.3. Kurva rele standart dan kurva rele yang diinginkan Hasil yang didapatkan adalah pengurangan waktu tripping maksimum dan waktu tripping effektif yang berhubungan dengan Definite Time Overcurrent dan IDMT grading. Penggunaan kurva ini juga dapat menurunkan thermal stress secara drastis yang terjadi pada perlatan sistem tenaga seperti trafo dan kabel.[12]

2.8 Adaptive Neuro Fuzzy Inference System (ANFIS)

2.8.1 Gambaran umum ANFIS

Model Fuzzy dapat digunakan sebagai pengganti dari banyak lapisan. Dalam hal ini sistem dapat dibagi menjadi dua grup, yaitu satu grup berupa jaringan syaraf dengan bobot-bobot fuzzy dan fungsi aktivasi fuzzy dan grup kedua berupa jaringan syaraf dengan input yang di fuzzykan pada lapisan pertama atau kedua, namun bobot-bobot pada jaringan syaraf tersebut tidak di fuzzykan. Menurut Osowski (2004) dan Kusumadewi (2006), Neuro Fuzzy termasuk kelompok kedua. ANFIS (Adaptive Neuro Fuzzy Inference System atau Adaptive Network-based Fuzzy Inference System) adalah arsitektur yang secara fungsional sama dengan fuzzy rule base model Sugeno. Arsitektur ANFIS juga sama

(32)

16

dengan jaringan syaraf dengan fungsi radial dengan sedikit batasan tertentu. Bisa dikatakan bahwa ANFIS adalah suatu metode yang dimana dalam melakukan penyetalan aturan digunakan algortima pembelajaran terhadap sekumpulan data. Pada ANFIS juga memungkinkan aturan-aturan untuk beradaptasi. Agar jaringan dengan fungsi basis radial ekuivalen dengan fuzzy berbasis aturan model sugeno orde 1 ini, diperlukan batasan :

a. Keduanya harus memiliki metode agregasi yang sama (rata-rata terbobot atau penjumlahan terbobot) untuk menurunkan semua outputnya.

b. Jumlah fungsi aktivasi harus sama dengan jumlah aturan fuzzy (if-then)

c. Jika ada beberapa input pada basis aturannya,maka tiap fungsi aktivasi harus sama dengan fungsi keanggotaan tiap-tiap inputnya. d. Fungsi aktivasi dan aturan-aturan fuzzy harus memiliki fungsi yang

sama untuk neuron-neuron dan aturan-aturan yang ada disisi outputnya.[6]

2.10.2 Arsitektur ANFIS

Misalkan input terdiri atas dan dan sebuah output dengan aturan model sugeno orde 1. Orde satu dipilih dengan pertimbangan kesederhanaan dan kemudahan perhitungan. Model sugeno orde satu dengan dua aturan fuzzy if-then adalah sebagai berikut:

Gambar 2.4 Aturan arsitektur ANFIS

Dengan dan adalah nilai-nilai keanggotaan dan merupakan label linguistik (seperti “kecil” atau “besar”), , dan adalah parameter konsekuen.

(33)

17

Gambar 2.5 ANFIS dengan model sugeno

Gambar 2.6 Arsitektur jaringan ANFIS[7]

Lapisan 1:

Lapisan ini merupakan lapisan fuzzifikasi. Pada lapisan ini tiap neuron adaptif terhadap parameter suatu aktivasi. Output dari tiap neuron berupa derajat keanggotaan yang diberikan oleh fungsi keanggotaan input. Misalkan fungsi keanggotaan Generalized Bell diberikan sebagai :

(34)

18

Dengan Z adalah input, dalam hal ini Z = { , } dan {a. b, dan c} adalah parameter, biasanya b=1. Jika nilai parameter-parameter ini berubah,maka bentuk kurva yang terjadi akan ikut berubah. Parameter-parameter ini biasanya disebut dengan nama parameter premis.

Lapisan 2:

Lapisan ini berupa neuron tetap (diberi symbol Π) merupakan hasil kali dari semua masukan, sebagai berikut :

(2.7)

Biasanya digunakan operator AND. Hasil perhitungan ini disebut firing strength dari sebuah aturan. Tiap neuron mempresentaikan aturan ke-i.

Lapisan 3:

Tiap neuron pada lapisan ini berupa neuron tetap (diberi symbol N) Merupakan hasil perhitungan rasio dari firing strength ke-I (wi) terhadap

jumlah dari keseluruhan firing strength pada lapisan kedua, sebagai berikut :

(2.8)

Hasil perhitungan ini disebut normalized firing strength. Lapisan 4:

Lapisan ini berupa neuron yang merupakan neuron adaptif terhadap suatu output, sebagai berikut :

(2.9)

Dengan adalah normalized firing strength pada lapisan ketiga dan , dan adalah parameter-parameter pada neuron tersebut. Parameter-parameter ini biasa disebut parameter konsekuen.

Lapisan 5:

Lapisan ini berupa neuron tunggal (diberi symbol Σ) merupakan hasil penjumlahan seluruh output dari lapisan keempat, sebagai berikut :

(35)

19

(2.10)

2.8.3 Algoritma Pembelajaran Hybrid

Pada saat parameter premis ditemukan, keluaran keseluruhan merupakan kombinasi linier dari konsekuen parameter, yaitu :

(2.11)

Algoritma hibrida akan mengatur parameter-parameter konsekuen , , secara maju (forward) dan akan mengatur parameter-parameter a, b dan c secara mundur (backward). Pada langkah maju, input jaringan akan merambat maju sampai lapisan keempat. Parameter-parameter konsekuen akan diidentifikasi dengan menggunakan least-square. Sedangkan pada langkah mundur, error sinyal akan merambat mundur dan parameter-parameter premis akan diperbaiki dengan metode gradient descent.[7]

Untuk memberi nilai awal pada parameter premis (pada bagian membership function), biasanya digunakan Fuzzy Clustering Mean (FCM). Pada arsitektur ANFIS, node yang bersifat adapatif terdapat pada layer 1 dan 4. Node pada layer 1 mengandung parameter premis yang nonlinier sedangkan pada layer 4 mengandung parameter konsekuen yang linier. Untuk memperbarui parameter – parameter tersebut (dengan kata lain proses belajar dari jaringan saraf), kita memerlukan proses learning atau training. ANFIS menggunakan hybrid supervised method yang berbasis pada dua metode, yaitu least – squares dan gradient descent.

Pada arah maju (forward), parameter premis dibuat tetap. Dengan menggunakan metode Least Square Estimator (LSE), parameter konsekuen diperbaiki berdasarkan pasangan data pada training set. Metode LSE dapat diterapkan karena parameter konsekuen yang diperbaiki bersifat linier. Setelah parameter konsekuen diperoleh, data masukan dilewatkan jaringan adaptif kembali dan hasil keluaran jaringan adaptif ini dibandingkan dengan keluaran yang diharapkan (target). Pada arah mundur (backward), parameter konsekuen dibuat

(36)

20

tetap. Kesalahan (error) antara keluaran jaringan adaptif dan target dipropagasikan balik menggunakan gradient descent untuk memperbarui parameter premis. Satu tahap pembelajaran maju – mundur ini dinamakan satu epoch.

(37)

21 BAB III

PERANCANGAN SOFTWARE DAN HARDWARE

Dalam pembahasan Bab III ini akan dilakukan dan dijelaskan bagaimana perancangan software dan hardware dalam tugas akhir ini. Pertama-tama dalam perancangan ini membuat perancangan software menggunakan Matlab 2013 dengan interface GUI Matlab.

3.1 Perancangan Software

Dalam perancangan software yang menggunakan Matlab 2013 dengan interface GUI bertujuan sebagai simulasi hasil dari pembelajaran metode ANFIS dan hasil permodelan kurva Non-standart. Sebelum melakukan perancangan software simulasi terlebih dahulu melihat data-data rele yang terdapat pada single line diagram PT.HESS Indonesia. 3.1.1 Pegambilan Data Rele Pada Etap 12.6

Untuk single line diagram dari PT. HESS diambil beberapa bagian yang tipikal agar memudahkan dalam pengamatan dan menganalisa bentuk kurva koordinasi rele. Data-data rele tersebut meliputi sebagai berikut :

Tabel 3.1 Data rele PT.HESS Indonesia

ID _RatioCT Setting

R-VCB-09 60/5

Curve IEC- Normal Inverse Current setting 1,65 Time dial 0,65 Current high set 11,95 Time delay 0,1 R-ACB-02 350/5

Curve IEC- Normal Inverse Current setting 1,15 Time dial 0,15 Current high set 3,75 Time delay 0,3

(38)

22

setting Time dial 0,3 Current high set 5,05 Time delay 0,1 R-VCB-11 400/5

Curve IEC- Normal Inverse Current setting 0,85 Time dial 0,34 Current high set 2,8 Time delay 0,35 R-VCB-03 400/1

Curve IEC- Normal Inverse Current setting 0,95 Time dial 0,45 Current high set 3,36 Time delay 0,5

Setelah didapatkan data rele selanjutnya mengamati kurva rele dengan menggunakan software Etap 2013 untuk mengondisikan atau menyimulasikan adanya salah satu dari beberapa kurva rele agar terjadi crossover(berhimpitan) antar kurva rele. Cara untuk mengondisikan agar kurva rele dapat berhimpitan dengan mensetting nilai tds sampai terjadinya cross antar kurva. Sebagai contoh kurva rele R-VCB-9 dikondisikan berhimpitan dengan kurva rele R-ACB-02, dengan kondisi saling berhimpitan akan dilakukan permodelan kurva non-standart dengan kondisi mengubah nilai tds sudah tidak bisa dilakukan. Berikut gambar single line diagram PT.HESS Indonesia dengan mengambil beberapa bagian yang tipikal :

(39)

23

Gambar 3.1 Single line diagram PT.HESS Indonesia

Dari gambar diatas posisi rele VCB-9 berada dibawah rele R-VCB-02, dengan mengodisikan kurva rele R-VCB-9 berhimpitan dengan R-ACB-02 koordinasi rele akan mengalami gangguan. Dimana gangguan tersebut berupa waktu trip antara rele VCB-9 dan rele R-ACB-02 akan bekerja pada waktu yang bersamaan saat arus hubung singkat tertentu. Berikut ini merupakan contoh gambar cara mengondisikan kurva rele saling berhimpitan dan gambar dari kurva rele yang berhimpitan :

(40)

24

Gambar 3.2 Kurva rele R-VCB-9 saat kondisi normal

Pada gambar diatas menunjukkan kurva rele R-VCB-9 saat kondisi setting dalam keadaan normal. Maksudnya setting dalam keadaan normal kurva dapat bekerja secara normal tanpa adanya trip secara bersamaan dengan kurva lainnya dalam kasus ini dengan kurva R-ACB-02. Kondisi normal pada kurva rele R-VCB-9 dengan settingan :

(41)

25

Tabel 3.2 Kondisi normal setting rele R-VCB-9

R-VCB-09 60/5

Curve IEC- Normal Inverse Current setting 1,65

Time dial 0,5

Current high set 11,95

Time delay 0,1

Dimana saat dikondisikan berhimpitan dengan kurva rele R-ACB-2 setting pada kurva rele R-VCB-9 akan disetting ulang mulai nilai current setting sampai current high set sehingga kurva R-VCB-9 dapat berhimpitan dengan kurva R-ACB-2. Berikut merupakan setting awal dari kurva rele R-ACB-02 :

Tabel 3.3 Kondisi normal setting rele R-ACB-02

R-ACB-02 350/5

Time dial 0,15

Time delay 0,3

Selanjutnya dilakukan setting ulang pada kurva rele R-VCB-9 dimana settingan akan dikondisikan berhimpitan dengan kurva rele R-ACB-02. Berikut merupakan setting ulang rele R-VCB-9 pada Etap 12.6 :

(42)

26

Gambar 3.3 Setting ulang rele R-VCB-9 Tabel 3.4 Setting rele R-VCB-9 saat kondisi berhimpitan

R-VCB-09 60/5

Time dial 0,65

Time delay 0,1

Setting ulang pada rele R-VCB-9 dilakukan dengan menurunkan nilai current setting (pick-up) dari nilai 1,65 menjadi 1,35 dan menaikkan nilai pada current high set (pick-up) dari nilai 11,95 menjadi 12,25. Sehingga pada plot kurva akan berubah seperti gambar dibawah ini :

(43)

27

Gambar 3.4 Kurva rele R-VCB-9 kondisi berhimpitan

Pada gambar diatas plot kurva pada Etap 12.6 sudah menunjukkan pengondisian kurva rele R-VCB-9 berhimpitan dengan kurva rele R-ACB-02. Dimana pada kasus ini kurva rele R-VCB-9 sudah tidak bisa disetting lagi dengan kondisi saat disetting menurunkan lowest dan highest kurva akan bersinggungan dengan kurva rele motor dibelakangnya, yang akan mangakibatkan trip pada rele R-VCB-9 saat motor starting. Jika disetting dengan menaikkan nilai lowest dan highsetnya kurva rele R-VCB-9 akan semakin bersinggungan dengan kurva R-ACB-2. Dari kasus tersebut diperlukan permodelan kurva baru sebagai solusi agar antar kurva tidak bersinggungan lagi.

(44)

28

Permodelan kurva non-standart dilakukan dengan mengambil beberapa data baru dimana akan membentuk suatu kurva baru yang sudah tidak bersinggungan lagi dengan kurva lainnya. Berikut merupakan contoh dari pengambilan data baru :

Gambar 3.5 Kurva rele dengan titik data baru

Dengan menggunakan titik baru seperti diperlihatkan titik “data baru” pada gambar diatas didapatkan kurva rele yang baru atau sudah non-standart dengan hasil kurva tidak bersinggungan dan dapat bekerja sesuai dengan rencana koordinasi proteksi.

(45)

29

3.1.2 Perancangan Interface GUI Matlab 2013

Dalam perancangan interface tugas akhir ini bertujuan agar user dapat membuktikan secara langsung hasil dari pembelajaran metode yang digunakan dalam permodelan kurva rele sudah mencapai hasil yang diinginkan atau belum. Perancangan interface menggunakan software Matlab 2013 dengan program GUI Matlab 2013. Dalam GUI akan dirancang interface yang akan menampilkan pengambilan data, input data ANFIS, hasil parameter ANFIS (parameter premis dan konsekuen),serta hasil learning ANFIS berupa plot kurva dan kolom untuk membuktikan hasil pembelajaran metode ANFIS dalam memodelkan kurva rele. Berikut merupakan gambar dari interface GUI yang dibuat :

Gambar 3.6 Interface GUI Matlab 2013

Dalam program GUI sudah terdapat program yang mengolah pembelajaran ANFIS dengan memanfaatkan script program dari ANFIS yang tersedia diMatlab 2013. Dengan begitu dalam interface GUI bisa langsung mengolah data dan melearning data sehingga menghasilkan kurva baru atau non-standart. Flowchart permodelan kurva non-standart dengan ANFIS adalah sebagai berikut :

(46)

30

START INPUT DATA (ARUS, WAKTU TRIP, MF, Epoch ANFIS ITERASI UPDATE PARAMETER TAMPIL KURVA STOP YES NO

Gambar 3.7 Flowchart permodelan kurva non-standart

Proses training ANFIS dengan diawali inisialisasi nilai awal parameter. Inisialisasi menggunakan FCM (fuzzy clustering mean) yang merupakan proses penglompokan data dimana hasil akhir didapat parameter premis dari data yaitu perhitungan mean dan standar deviasai. Setelah didapatkan parameter premis dari proses FCM, berikutnya masuk ke struktur ANFIS dimana pada bagaian ini data akan diolah pada tiap-tiap

(47)

31

layernya yang ada pada proses pembelajaran ANFIS. Pada layer 5 data akan manghasilkan nilai output. Pada bagian struktur ANFIS ini data akan melakukan iterasi hingga di dapat nilai error yang kecil menunjukkan hasil sudah mendekati target. Setelah output mencapai target maka akan diperoleh parameter terbaru dan tampilan sebuah kurva ANFIS. Parameter terbaru ini adalah update dari parameter lama yang berupa premis dan konsekuen.

3.2 Perancangan Hardware dan Integrasi 3.2.1 Perancangan Hardware

Dalam perancangan hardware untuk pengolahan data menggunakan mikrokontroller ARM dan interface pada hardware menggunakan LCD grafik 128x64. Dalam menggunakan mikrokontroller ARM dimaksudkan agar lebih kompatibel dengan berbagai bahasa pemprograman. Untuk tampilan lcd grafik 128x64 dapat menampilkan arus serta waktu trip secara langsung (real time). Berikut merupakan tampilan dari mikrokontroller ARM :

Gambar 3.8 Mikrokontroller ARM

Berikutnya merupakan tampilan dari LCD grafik 128x64 yang digunakan untuk menampilkan data dan hasil dari program yang sudah dibuat dan menunjukkan bahwa hasil sudah sesuai atau belum dengan hasil yang dihasilkan software.

(48)

32

(49)

33 BAB IV

HASIL PENGUJIAN DAN ANALISA DATA

Dalam tugas akhir ini membahas tentang permodelan kurva rele dengan menggunakan single line diagram PT.HESS Indonesia yang telah di ambil salah satu tipikal koordinasi proteksinya untuk memudahkan pemahaman tentang permodelan kurva non-standart. Untuk melakukan permodelan kurva dilakukan terlebih dahulu pengambilan data rele dan merencanakan kurva rele mana yang akan dilakukan permodelan nantinya, dalam kasus ini dipilih kurva rele dengan name code R-VCB-9. Kurva rele R-VCB-9 nantinya akan dipilih setting relenya dengan maksud agar kurva rele R-VCB-9 dapat bersinggungan dengan kurva rele R-ACB-2 yang dimana akan dijadikan permasalahan dalam tugas akhir ini. Selanjutnya dilakukan pengambilan data lowset dan highest pada rele R-VCB-9 yang sudah dipilih setting relenya dan mencari waktu trip dengan memasukkan kedalam rumus normal inverse yang dilakukan dengan software Microsoft excel dan dijadikan sebuah data perngujian. Setelah didapatkan data berupa arus dan waktu trip yang masih data kurva normal inverse, langkah selanjutnya membuat program interface GUI Matlab 2013 yang didalamnya sudah termasuk program metode pembelajaran ANFIS sebagai metode dalam tugas akhir ini.

Setelah interface selesai dibuat dan data rele R-VCB-9 yang masih normal inverse (standart IEC) didapatkan, selanjutnya akan di lakukan pengujian dengan metode Adaptive Neuro Fuzzy Inference System (ANFIS) terlebih dahulu dengan data rele R-VCB-9 yang normal inverse (standart IEC). Setelah dilakukan pengujian pada data rele standart IEC pada rele R-VCB-9 akan dilakukan pengambilan data baru berupa titik-titik data baru pada plot kurva interface GUI. Data baru yang sudah didapat akan digabungkan dengan data yang lama sehingga membentuk data non-standart. Setelah didapatkan data non-standart dilakukan pengujian dengan ANFIS sehingga didapatkan data kurva non-standart hasil learning ANFIS. Hasil kurva non-standart akan diuji juga pada Etap 12.6 dan dilakukan pembuktian dengan plot pada Etap 12.6. Pada tugas akhr ini data non-standart hasil learning ANFIS juga diujikan langsung pada hardware Digital Relay Protection (DPR).

(50)

34

4.1 Pengambilan Data Rele

Pengambilan data rele dilakukan pada software Etap 12.6 dengan menggunakan single line diagram PT.HESS Indonesia yang sudah di modifikasi dengan mengambil salah satu tipikal settingan rele. Berikut ini merupakan contoh gambar single line diagram yang digunakan :

Gambar 4.1 Single line diagram dan koordinasi rele

Dengan mengondisikan kurva pada rele R-VCB-9 bersinggungan dengan kurva rele R-ACB-02 yang artinya pada arus tertentu kedua rele akan mentripkan CB (Circuit Breaker) secara bersama. Dalam hal ini diperlukan permodelan kurva rele pada R-VCB-9 dengan syarat pergantian setting nilai lowset dan highset sudah tidak dapat dilakukan lagi dan perubahan jenis kurva rele juga tidak bisa dilakukan. Dengan

(51)

35

software Etap 12.6 akan dilihat data pada rele R-VCB-9, berikut ini merupakan setting pada rele R-VCB-9 :

Gambar 4.2 Setting rele R-VCB-9 di Etap 12.6

Terlihat pada gambar diatas setting tap lowset pada 1,35 dengan CT 60/5 didapat ISet pada rele R-VCB-9 bernilai 81 A dan setting

highset pada nilai 735 A. Dari data tersebut akan dibuat data arus dan waktu trip menggunakan software microsoft excel, dengan melihat rele R-VCB-9 menggunakan tipe kurva normal invers maka untuk mencari waktu trip menggunakan rumus sebagai berikut :

(4.1)

Dengan menggunakan rumus kurva normal invers dapat diketahui waktu trip pada rele R-VCB-9. Dengan mengambil nilai lowset diatas nilai Iset

(52)

36

(81 A) yaitu 95 A didapatkan waktu trip saat lowset adalah sebagai berikut :

t = 28.494 detik (4.2) Untuk langkah berikutnya dilakukan pengambilan data waktu trip dari setting arus lowset sampai highsetnya menggunakan software microsoft excel dengan berpedoman pada rumus kurva normal inverse, berikut merupakan tabel data normal inverse pada microsoft excel :

Tabel 4.1 Data kurva normal inverse (standart IEC) No. _{Arus (A) Trip (S)}

1 ₉₅ _28,494 2 ₁₄₅ _7,769 3 ₁₉₅ _5,134 4 ₂₄₅ _4,066 5 ₂₉₅ _3,475 6 ₃₄₅ _3,095 7 ₃₉₅ _2,826 8 ₄₄₅ _2,626 9 ₄₉₅ _2,468 10 ₅₄₅ _2,342 11 ₅₉₅ _2,237 12 ₆₄₅ _2,148 13 ₆₉₅ _2,072 14 ₇₃₅ _2,018

Data diatas merupakan data rele R-VCB-9 dengan jarak antar data arus sebesar 50 A dan berjumlah 14 data inputan. Data tersebut juga dapat diubah-ubah dengan jarak antar arus sebesar 10 A, 15 A, 20 A, 25 A sampai 75 A yang pastinya jumlah data yang didapatkan

(53)

berbeda-37

beda. Data yang didapatkan akan di learning menggunakan metode ANFIS dengan interface GUI Matlab 2013.

4.2 Pembuatan Interface GUI Matlab

Dalam tugas akhir ini digunakan interface menggunakan GUI Matlab 2013 sebagai media untuk melakukan proses learning data dan pembuktian dari pembelajaran metode yang digunakan. Untuk pembuatan GUI Matlab dapat mengikuti langkah sebagai berikut :

1. Buka Matlab 2013 dan setelah itu ketik pada command window ”guide”.

2. Lalu akan muncul tampilan ”GUIDE quick start” , pilih menu ”create new GUI”.

3. Setelah itu akan muncul menu ”GUIDE” template dan pilih ”Blank GUI default”.

4. Pada akhirnya akan muncul workspace untuk pembuatan arsitektur GUI seperti pada gambar dibawah ini :

Gambar 4.3 Workspace GUI Matlab 2013

Untuk tugas akhir ini sudah dibuat interface pada GUI Matlab dimana akan ditunjukkan pada gambar dibawah ini :

(54)

38

Gambar 4.4 Tampilan interface GUI

Dengan melihat tampilan interface pada dapat dilakukan proses training dengan mengambil data terlebih dahulu dengan ”load training data” dan mengecek data dengan data yang sama melalui ”load check data”. Dalam kolom ”Number of MF” berguna untuk menginputkan jumlah MF (memberhip function) sesuai dengan yang diinginkan user. Untuk tipe input dan output MF dipilih sesuai dengan keinginan user untuk menentukan jenis membership function dimana dalam tugas akhir ini ditetapkan MF jenis GAUSS dengan output linier. Dan kolom epoch berfungi untuk menentukan jumlah iterasi yang diinginkan. Dalam kolom data test terdapat kolom masukkan arus yang berfungsi untuk menguji hasil waktu trip dari pembelajaran ANFIS dan hasil dari perhitungan rumus. Dalam interface GUI tersebut masih banyak fungsi yang bisa digunakan antara lain menyimpan hasil pembelajaran ANFIS, tombol penentuan titik data baru, kolom tampilan data baru, kolom parameter premis dan parameter konsekuen, dll.

4.3 Pengujian Data Normal Inverse (Standart IEC)

Dalam percobaan ini akan dilakukan dengan memasukkan data yang sudah ada untuk dilearning menggunakan metoda ANFIS dengan melihat hasil waktu trip CB apakah sudah mendekati target dan rata-rata error. Berikut ini data yang akan yang akan diujikan dengan menggunakan jarak nilai antara arusnya 50 A :

(55)

39

Tabel 4.2 Data dengan nilai jarak antara arus sebesar 50 A No. _{Arus (A) Trip (S)}

1 ₉₅ _28,494 2 ₁₄₅ _7,769 3 ₁₉₅ _5,134 4 ₂₄₅ _4,066 5 ₂₉₅ _3,475 6 ₃₄₅ _3,095 7 ₃₉₅ _2,826 8 ₄₄₅ _2,626 9 ₄₉₅ _2,468 10 ₅₄₅ _2,342 11 ₅₉₅ _2,237 12 ₆₄₅ _2,148 13 ₆₉₅ _2,072 14 ₇₃₅ _2,018

Dengan menggunakan data seperti pada tabel 4.2 akan dilakukan learning dengan metode ANFIS yang ditampilkan pada interface GUI dan mencari nilai MF yang sesuai dengan jumlah data yang ada. Berikut ini merupakan hasil pengujian data normal inverse (standart IEC) dengan tampilan interface GUI :

(56)

40

Gambar 4.5 Interface GUI percobaan data jarak antar arus 50 A

Gambar 4.6 Plot kurva hasil training

Melihat pada gambar 4.5 dan gambar 4.6 diatas dengan jumlah 14 data yang ditraining dan jumlah MF (Membership Function) yang ditentukan sebesar 10 MF dan jumlah iterasi sebanyak 100 kali didapatkan hasil output ANFIS sudah memenuhi target dengan MSE (mean squared error) sebesar 0,0024%. Selanjutnya dilakukan pengujian data test dengan mengambil beberapa data sesuai pada tabel 4.2 data target (data standart IEC) dan beberapa data diluar data target. Gambar dibawah ini menunjukkan pengujian data test :

(57)

41

Gambar 4.7 Pengujian data test sesuai data training

Gambar 4.8 Pengujian data test diluar data training

Pengujian data test yang menggunakan nilai sesuai data target hasil waktu trip CB dari perhitungan rumus maupun hasil training dari ANFIS mempunyai nilai yang hampir sama dan error yang dihasilkan sebesar 0,0015%. Sedangkan untuk data test diluar data target dengan mengambil nilai diantara 645 A sampai 695 A dan dipilih arus sebesar 693,3 A yang menghasilkan waktu trip CB dari perhitungan rumus dibandingkan dengan hasil learning ANFIS mempunyai perbedaan waktu 0,003s dengan nilai error 0,33%. Pengujian pada data diluar data training memiliki error dengan nilai 0,33% dikatakan masih kecil karena nilai error masih dibawah 5 %. Secara rincinya dapat dilihat pada tabel dibawah ini :

(58)

42

Tabel 4.3 Hasil error pengujian data test normal inverse Jenis Data Arus

(A) Trip Rumus (s) Trip Anfis (s) Error (%) Sesuai data

training 145 7,76864 7,76876 0,0015 Diluar data

training 693,3 2,07405 2,07738 0,33 4.3.1 Pengujian keakuratan dengan mengganti jumlah

Membership Function (MF)

Pengujian kali ini dilakukan untuk membuktikan keakuratan learning ANFIS untuk permodelan kurva data normal inverse dengan mengubah-ubah nilai membership functionnya. Data yang akan dilakukan pengujian merupakan data normal inverse seperti pada tabel 4.2 dengan jumlah data sebanyak 14 data dengan jarak antar data linier sebesar 50A. Percobaan pertama dilakukan pada nilai membership function (MF) = 3 dan dengan nilai epoch konstan 100, dengan melihat hasil plot kurva pada interface GUI dan test data dengan perbandingan hasil waktu trip rumus normal inverse dan hasil waktu trip ANFIS. Berikut hasil pengujian pada interface GUI :

(59)

43

Gambar 4.10 Hasil plot kurva ANFIS MF = 3

Dengan perngujian nilai MF = 3 pada gambar 4.10 hasil learning ANFIS yang ditunjukkan lingkaran warna hijau masih jauh untuk memenuhi target data sesuai dengan data target yang ditampilkan oleh garis warna biru dengan nilai rata-rata error = 47,03%. Berikut error perbandingan hasil learning ANFIS dengan hasil target data normal inverse :

Tabel 4.4 Hasil error perbandingan trip ANFIS dan trip target dengan MF 3 No. Arus

(A) Trip Anfis (s) Trip Target (s) Error (%) 1 _{95 25,51003268} _{28,494 11,69723} 2 _{145 13,14010869} _{7,769 40,875679} 3 ₁₉₅ _4,54318089 _{5,134 13,004525} 4 _{245 1,384043586} _{4,066 193,77688} 5 _{295 2,533646992} _{3,475 37,154071} 6 _{345 4,332601738} _{3,095 28,564863} 7 ₃₉₅ _4,40793801 _{2,826 35,888391} 8 _{445 2,970388029} _{2,626 11,594042} 9 _{495 1,463494972} _{2,468 68,637409} 10 _{545 1,227996099} _{2,342 90,717218}

(60)

44

Lanjutan Tabel 4.4 Hasil error perbandingan trip ANFIS dan trip target dengan MF 3

No. Arus

(A) Trip Anfis (s) Trip Target (s) Error (%) 11 _{595 2,281348242} _{2,237 1,9439488} 12 _{645 3,156045691} _{2,148 31,940149} 13 _{695 2,638124586} _{2,072 21,459357} 14 _{735 1,178182619} _{2,018 71,280748} Pengujian selanjutnya menambah nilai MF = 5 dengan nilai epoch tetap 100 konstan. Penambahan nilai MF diharapkan dapat memperbaiki learning untuk mencapai hasil target sesuai dengan data normal inverse pada tabel 4.2. Berikut hasil plot pada interface GUI dengan MF = 5 :

Gambar 4.11 Hasil plot kurva learning ANFIS MF = 5

Pada gambar 4.11 menunjukkan dengan penambahan nilai MF = 5 hasil learning ANFIS (lingkaran warna biru) mulai mendekati kurva data target (garis warna hitam), namun hasil learning ANFIS masih belum mencapai target data normal inverse (standart IEC). Hasil learning ANFIS dengan nilai MF = 5 masih terdapat error, tetapi nilai error dengan penambahan nilai MF dari 3 ke 5 menjadi semakin kecil. Berikut

(61)

45

hasil error perbandingan nilai learning ANFIS dengan hasil data normal inverse :

Tabel 4.5 Hasil error perbandingan trip ANFIS dan trip target dengan MF 5 No. Arus

(A) Trip ANFIS (s) Trip Target (s) Error (%) 1 _{95 28,27544624} _{28,494 0,7729454} 2 _{145 8,431386702} _{7,769 7,8562012} 3 _{195 4,012134595} _{5,134 27,961809} 4 _{245 5,190220854} _{4,066 21,660366} 5 _{295 3,077327276} _{3,475 12,922666} 6 _{345 2,732611054} _{3,095 13,261637} 7 _{395 3,370642745} _{2,826 16,158424} 8 _{445 2,469764937} _{2,626 6,3259082} 9 _{495 2,214369684} _{2,468 11,453838} 10 _{545 2,624552356} _{2,342 10,765735} 11 _{595 2,192977093} _{2,237 2,0074495} 12 _{645 1,990504649} _{2,148 7,9123328} 13 _{695 2,247756269} _{2,072 7,8191871} 14 ₇₃₅ _1,93746107 _{2,018 4,1569315} Pada tabel 4.5 dengan penambahan MF=5 menunjukkan nilai error semakin kecil dengan nilai rata-rata error = 10,78% dan hasil trip learning ANFIS sudah mulai mendekati trip target. Pengujian selajutnya akan dilakukan dengan menaikkan nilai MF menjadi 10 mengacu pada pengujian data normal inverse pada gambar 4.6, dimana hasil learning ANFIS menunjukkan nilai yang sesuai dengan target. Berikut hasil plot learning ANFIS pada interface GUI :